一、摘要

      针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题，本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中，通过将特征向量筛选加权后，使重要的目标特征占有更大的网络处理比重，以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数，提升了预测框的置信度，最终降低了复杂场景区域的目标漏检率。实验表明，相比传统YOLOv5算法，本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测，平均准确率达到了79.8％，相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。

二、网络模型及核心创新点

1.将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中。

2.根据SAR图像特性优化了检测模型的损失函数，提升了预测框的置信度，最终降低了复杂场景区域的目标漏检率。

三、应用数据集

       数据集由“高分三号”卫星拍摄的海域SAR图像[29-30]和存储SAR图像中船舶位置信息的XML文件组成。图像尺寸为1000像素1000像素，距离分辨率为1m-5m。图像涵盖远海区域和近海港口等多个场景，包含多种方向和比例的船舶。总数据量为305张，按照2:1 的比例分为训练集和测试集。

四、实验效果（部分展示）

1.对比结果如下表所示，使用本文提出的模块，检测平均准确率明显优于单独使用通道注意力的SEnet模块和单独使用空间注意力的SAM模块。

2.下图为本文可视化检测结果的对比，其中绿色标记框为真实目标置，红色标记框为对应算法预测的目标位置。（以下为部分图）

五、实验结论

      实验结果表明，改进的AAM-YOLOv5检测算法显著提升了召回率和输出预测框的质量。从检测效率来看，本文算法增加了额外的池化层和卷积层，检测速度相比于原始的YOLOv5检测算法略微降低，但是平均准确率相比于原始的YOLOv5算法及 Faster R-CNN算法显著提升，平均准确率达到了79.8％。

六、投稿期刊介绍